横向 Agent 平台这个系列，前面写的大多是“拖拽派”——Make、Zapier、Dify、Flowise 这类靠画布搭流程的，自动化老将和可视化新贵都聊过了。这篇换换口味，聊聊“代码派”里最近最能打的一个：微软的 Microsoft Agent Framework（以下简称 MAF）。它是 AutoGen 和 Semantic Kernel 两条老线合并之后的统一框架，也是微软现在 Agent 方向的主线。
项目介绍
先摆数据，核实时间 2026 年 10 月 9 日早上。MAF 的仓库是 github.com/microsoft/agent-framework，14,017 星，MIT 协议，10 月 8 日还在提交，同一天 PyPI 上的 agent-framework 包发了 1.21.0——大厂开源里这个更新频率算很勤的。
三条线的关系值得说清楚：AutoGen 61.3K 星，名气最大，但仓库 4 月 15 日之后就基本停更了；Semantic Kernel 28.6K 星，10 月 7 日还在更新；MAF 星数最少，却最年轻也最活跃。顺带一提，AutoGen 仓库标注的是 CC-BY-4.0，MAF 是 MIT，商用友好度后者更省心。MAF 仓库里直接放着 autogen-migration 和 semantic-kernel-migration 两个样例目录，官方迁移指南两边都给了——新项目该选谁，微软态度很明确。
跟前面写过的 CrewAI 基础篇、LangGraph 基础篇 比，MAF 的差异在“出身”：CrewAI 是社区起家的 Python 轻框架，LangGraph 是 LangChain 家的状态图引擎，而 MAF 是微软按企业交付标准做的全家桶，配套的托管、可观测、治理能力都是现成的，不用自己攒。
能力上，MAF 不是聊天套壳，是冲着生产去的：Python、C#/.NET、Go 三套 SDK（Go 在独立仓库）；多 Agent 用图工作流编排，顺序、并发、handoff、群体协作四种模式；工作流自带 checkpoint、流式输出和 time-travel，能把执行回放到某一步重跑；中间件统一拦截请求、异常和工具调用；OpenTelemetry 追踪开箱即用；Agent 还能用 YAML 声明式定义，方便进版本库做评审；托管到 Microsoft Foundry 只要两行代码。模型侧不挑食，provider 目录里 OpenAI、Anthropic、Gemini、Ollama、Azure/Foundry、AWS Bedrock、Mistral、GitHub Copilot 都有现成接入。
上手
代码路线的上手就是一条命令：pip install agent-framework。最小的 Agent 长这样（官方 01-get-started 样例改写）：
from agent_framework import Agent, tool
@tool(approval_mode="never_require")
def get_weather(location: str) -> str:
return f"{location}：晴，26 度"
agent = Agent(client=client, instructions="回答必须用工具", tools=[get_weather])
print(await agent.run("西雅图天气怎么样？"))
要编排多 Agent，就用 WorkflowBuilder 拼图（官方 05c 样例）：
from agent_framework import WorkflowBuilder, WorkflowContext, executor
@executor(id="upper")
async def upper(text: str, ctx: WorkflowContext) -> None:
await ctx.send_message(text.upper())
@executor(id="reverse")
async def reverse(text: str, ctx) -> None:
await ctx.yield_output(text[::-1])
wf = WorkflowBuilder(start_executor=upper).add_edge(upper, reverse).build()
print((await wf.run("hello world")).get_outputs()[0])
官方 samples 目录是按难度排好的：01-get-started 里从 hello agent、加工具、多轮对话、记忆一路排到工作流、harness 和 hosting，照着序号走就行。模型不一定要花钱，provider 里有 ollama，本地起个模型把 client 换掉就能跑通整套；.NET 用户走 NuGet 装 Microsoft.Agents.AI，API 跟 Python 版基本对齐。
实话
优点是真优点：工程化程度高，生产特性给得足，MIT、几乎天天提交，模型随便换；从 AutoGen、Semantic Kernel 迁移有现成脚手架，Python 或 .NET 老栈能直接接上。
缺点也得说：它是写代码路线，跟 Dify、Flowise 那种拖拽完全是两个物种，不想碰代码的可以直接跳过；官方 quickstart 默认走 Foundry 的 endpoint 和 AzureCliCredential，想接 OpenAI 兼容接口得自己换 client，第一体验不算丝滑；子包拆得细（meta 包下面还套着 agent-framework-core），文档散在 MS Learn、devblogs 和仓库三处，第一次找资料要点时间。还有一点要留意：AutoGen 老教程现在满网都是，照着旧教程写会装错包，认准 agent-framework 这个包名。
一句话结论：想认真做多 Agent 生产落地、又不排斥写代码，MAF 是微软系里现在最值得押的主线；只想拖拽玩玩的，回看之前的基础篇就行。给自己排个顺序：先用本地模型跑通 hello agent，再上图工作流，最后才碰 Foundry 托管，别一上来就啃部署。延伸阅读：Google ADK 基础篇、微软 Foundry 基础篇。
